ÜZÜM YAPRAĞINDA GÖRÜLEN HASTALIKLARIN DERİN ÖĞRENME İLE TESPİTİ VE SINIFLANDIRILMASI

Beslenme, tüm canlılar için temel bir gereksinim olup Maslow’un ihtiyaçlar hiyerarşisinde en temel fizyolojik ihtiyaçlardan biri olarak tanımlanmaktadır. İnsan beslenmesinde önemli bir yere sahip olan üzüm, yüksek besin değeri ve güçlü antioksidan bileşenleri ile dikkat çekmektedir. Bununla birlikte, diğer bitkilere benzer şekilde üzüm bitkisi de çevresel ve biyolojik etkenlere bağlı olarak çeşitli hastalıklara yakalanabilmektedir. Bu nedenle hastalıkların erken dönemde tespit edilmesi, gerekli müdahalelerin zamanında yapılmasına olanak sağlayarak bitki sağlığının korunması açısından büyük önem taşımaktadır. Bu çalışmada, üzüm yaprak görüntülerinin analiz edilmesi yoluyla hastalıkların erken aşamada tespit edilmesi ve farklı hastalık türlerinin otomatik olarak sınıflandırılması amaçlanmıştır. Bu doğrultuda, derin öğrenme tabanlı Convolutional Neural Network (CNN) mimarileri kullanılmıştır. Üzüm yapraklarına ait görüntülerden oluşan bir veri seti Python tabanlı Google Colab ortamında işlenmiş ve AlexNet, DenseNet121, EfficientNetB3, MobileNetV2 ve ResNet50 mimarileri kullanılarak hastalık tespiti ve sınıflandırılması gerçekleştirilmiştir. Modeller 20, 50 ve 100 epoch değerleri ile eğitilmiş ve performansları doğruluk, kesinlik, duyarlılık ve F1-skor metrikleri kullanılarak değerlendirilmiştir. Elde edilen sonuçlara göre, 100 epoch eğitim sonucunda AlexNet modeli %88.75 doğruluk oranı ile en düşük performansı gösterirken, DenseNet121 modeli %99.94 doğruluk oranı ile en yüksek performansı göstermiştir. Ayrıca, EfficientNetB3 modeli %99.39, MobileNetV2 modeli %99.11 ve ResNet50 modeli %99.67 doğruluk oranına ulaşmıştır. Sonuç olarak, CNN tabanlı yöntemlerin üzüm yaprağı hastalıklarının tespiti ve sınıflandırılmasında yüksek doğruluk ve güvenilirlik sağladığı, özellikle DenseNet121 mimarisinin en başarılı ve en stabil model olduğu belirlenmiştir.